Page 61 - 《应用声学》2021年第1期

第 40 卷 第 1 期 高凡等： 超声射频信号的甲状腺结节智能诊断方法 57

表 3 单一参数的训练结果
Table 3 Single parameter training results

香农熵 加权熵 Nakagami-m 峰度
良性 恶性 良性 恶性 良性 恶性 良性 恶性
判断为良性 44 14 43 13 41 8 34 7

判断为恶性 23 74 24 75 26 80 33 81
总计 67 88 67 88 67 88 67 88
敏感度 84.1% 85.2% 90.9% 92.0%
特异性 65.7% 64.2% 61.2% 50.7%
准确率 76.1% 76.1% 78.1% 74.2%

图5 是根据神经网络给出的参考评分与穿刺活 基于灰度共生矩阵的纹理特征参数曾被用于
检的良恶性结果做出的受试者特征 (Receiver op- 超声图像的分析，但是其计算量相比于文中所用的
erating characteristic, ROC) 曲线，其曲线下面积 组织定征参数更大，这是因为计算这类参数首先需
(Area under curve, AUC) 可以用于评判二分类问 要建立灰度共生矩阵，在此过程中，需要对每个滑动
题下的分类效果。结果显示，将所有的组织定征参 窗口中相邻的像素点进行逐点扫描统计，耗时较长。
数相结合(黑色曲线)的时候，AUC明显大于仅使用 相比较而言，本文所用的熵、加权熵、Nakagami-m
单一参数时的 AUC。这进一步说明在网络训练的 和峰度这几个组织定征参数来作为训练特征，仅需
过程中，多个参数共同作用的效果要优于单个参数， 要在每个滑动窗口停留处做概率密度函数统计，无
且并非其中某一个参数在起主导作用，各个组织定 需通过二维纹理扫描的方式建立中间过度的灰度
征参数之间确实存在一定的互补性。 共生矩阵，其计算复杂度和耗时均较灰度共生矩阵
参数有明显降低。
1.0 为了进一步验证这个猜测，本文同样对 155 例
原始 RF 信号进行灰度共生矩阵参数的滑动窗口重
0.8
构，提取灰度共生矩阵参数包括能量、逆差矩、对比

ᄾ᫺ভဋ 0.6 ਫ਼దྲढ़(AUC=0.9573) 度、同质性。结果显示，灰度共生矩阵的滑动窗口重
构平均每例需要耗费 48 s，总共需要将近 2 h 来完
̩༦ए(AUC=0.8532)
0.4
̩ᯮк྅(AUC=0.8433) 成，而使用香农熵、加权熵、Nakagami-m 和峰度进
̩ҫి྅(AUC=0.8543)
0.2 ̩Nakagami-m(AUC=0.8436) 行滑动窗口重构，平均每例仅需要 12 s，155 例样本
̩࢏ए(AUC=0.8311)
总共只需0.5 h即可完成。
0
0 0.2 0.4 0.6 0.8 1.0 3.2 覆盖结节的ROI数目对训练时间的影响
Ϝ᫺ভဋ
本文采用了多块 ROI 覆盖甲状腺结节的方法，
图 5 良恶性分类的 ROC 曲线
以代替传统方法中在整个结节内部取得参数平均
Fig. 5 ROC curves for benign and malignant clas-
的做法。对于人工神经网络来说，多块 ROI 进行覆
sification
盖可以增加样本信息，提供更多的局部特征，从而
3 讨论 为其分类提供更充分的依据，但是过于密集的小块
ROI 和过于细致的提取同时也会带来额外的计算
3.1 组织定征参数对比灰度共生矩阵参数 负担，因此需要考虑两者之间的平衡。
对于计算机智能诊断系统来说，除准确率之外， 为了研究这个问题，本文分别使用 1 块、4 块、9
其成本与运行时间也是需要考虑的因素，尤其在实 块、16 块、36 块、81 块 ROI 对结节进行覆盖和特征
际应用中需要应对大量样本时就显得更为重要。 提取，并分别独立地用人工神经网络进行训练和分